通过可接近性实现对在线预测器的更快重校准
机器学习
2023-10-27 v1
摘要
机器学习中的预测模型需要值得信赖且可靠，这至少通常意味着输出经过校准的概率。在结果序列可能被对抗性生成的在线预测设定下，这一点尤其难以保证。在本文中，我们引入一种利用 Blackwell 可接近性定理（approachability theorem）的技术，将可能未校准的在线预测模型转化为校准预测模型，且不会大幅增加原始模型的损失。我们提出的算法以比现有技术 arXiv:1607.03594 更快的速率实现校准与准确性，并且是首个在在线设定下提供校准误差与准确性之间灵活权衡的算法。我们通过使用我们的技术刻画联合可实现的校准与悔值（regret）的空间来展示这一点。
引用
@article{arxiv.2310.17002,
title = {Faster Recalibration of an Online Predictor via Approachability},
author = {Princewill Okoroafor and Robert Kleinberg and Wen Sun},
journal= {arXiv preprint arXiv:2310.17002},
year = {2023}
}
备注
23 pages